Perancangan Sistem Rekomendasi Sarung Pria Berdasarkan Preferensi Pengguna Menggunakan Metode Constraint-Based Recommendation
Keywords:
Sistem Rekomendasi, Sarung Pria, Constraint-Based Recommendation, Prototype, Matching ScoreAbstract
Pemilihan sarung pria sering kali menjadi tantangan bagi konsumen karena banyaknya variasi produk yang tersedia dengan karakteristik yang berbeda seperti merek, jenis, bahan, warna, ukuran, dan harga. Penelitian ini bertujuan merancang sistem rekomendasi sarung pria berdasarkan preferensi pengguna menggunakan metode Constraint-Based Recommendation. Pengembangan sistem menggunakan metode Prototype yang terdiri atas tahap identifikasi masalah, pengumpulan kebutuhan, analisis kebutuhan, perancangan, dan implementasi. Dataset penelitian menggunakan 30 data produk sarung yang berasal dari toko milik peneliti. Sistem bekerja dengan mencocokkan preferensi pengguna terhadap atribut produk dan menghitung nilai matching score untuk menentukan tingkat kesesuaian setiap produk. Berdasarkan skenario preferensi pengguna berupa merek Alima, bahan Sutera, dan ukuran Besar, sistem menghasilkan tiga rekomendasi terbaik, yaitu ALIMA Sarung Gunung Ekslusive Sutera dengan nilai 1, ALIMA Sarung Kawung Sutera dengan nilai 1, serta KETJUBUNG Sarung Crown dengan nilai 0,67. Hasil tersebut menunjukkan bahwa metode Constraint-Based Recommendation mampu menghasilkan rekomendasi yang relevan berdasarkan tingkat kesesuaian atribut produk terhadap preferensi pengguna sehingga dapat membantu proses pemilihan sarung secara lebih efektif dan objektif.
References
[1] Y. Deldjoo, F. Nazary, A. Ramisa, J. McAuley, G. Pellegrini, and M. Cremonesi, “A Review of Modern Fashion Recommender Systems,” ACM Computing Surveys, vol. 56, no. 4, pp. 1–37, 2023.
[2] S. Shirkhani, H. Mokayed, R. Saini, and H. Y. Chai, “Study of AI-Driven Fashion Recommender Systems,” SN Computer Science, vol. 4, no. 5, pp. 1–15, 2023.
[3] A. Ghifari, B. Sitohang, and G. A. P. Saptawati, "Addressing Cold Start New User in Recommender System Based on Hybrid Approach: A Review and Bibliometric Analysis," IT Journal Research and Development, vol. 6, no. 1, pp. 1–16, 2021.
[4] Mathias Uta, Alexander Felfernig, Viet-Man Le, et al., "Knowledge-based recommender systems: overview and research directions," Frontiers in Big Data, vol. 7, 2024.
[5] D. Roy and M. Dutta, "A Systematic Review and Research Perspective on Recommender Systems," Journal of Big Data, vol. 9, no. 59, 2022.
[6] M. Atas, A. Felfernig, S. Polat-Erdeniz, et al., "Towards Psychology-Aware Preference Construction in Recommender Systems: Overview and Research Issues," Journal of Intelligent Information Systems, vol. 57, pp. 467–489, 2021.
[7] D. Jannach, M. Zanker, A. Felfernig, and G. Friedrich, Recommender Systems: An Introduction. Cambridge, United Kingdom: Cambridge University Press, 2017.
[8] H. Ko, S. Lee, Y. Park, and A. Choi, "A Survey of Recommendation Systems: Recommendation Models, Techniques, and Application Fields," Electronics, vol. 11, no. 1, 141, 2022.
[9] B. Smith and G. Linden, “Two Decades of Recommender Systems at Amazon.com,” IEEE Internet Computing, vol. 21, no. 3, pp. 12–18, 2017.
[10] X. He, T. Chen, M. Kan, and X. Chen, “TriRank: Review-Aware Explainable Recommendation by Modeling Aspects,” Information Processing & Management, vol. 59, no. 2, 2022.
[11] M. Fayyaz, S. Ebrahimian, T. Nawara, S. Ibrahim, and F. Kashef, "Recommendation Systems: Algorithms, Challenges, Metrics, and Business Opportunities," Applied Sciences, vol. 10, no. 21, Article 7748, 2020.
